进入新世纪以来,经济飞速发展,人口爆发增长。与此同时,由于大城市掌握着大量的资源,吸引了大量的人口向大城市聚集。大量的人口为大城市的发展提供了活力,但同时也带来了很多问题,如演唱会、体育赛事等公共场所发生过的由于人群过度密集导致的踩踏事故等公共安全问题就是大城市人口密度过高所带来的问题之一。为了预防这些由于人群密度过高所带来的公共安全问题,越来越多的研究人员开始着手人群计数研究工作,使之逐渐成为了一个热门研究领域。经过多年的发展,现有的研究成果已经能达到较高的图像人群计数精度。然而,公共场所人群场景图像所存在的复杂背景、人群之间相互遮挡、人群密集程度不一、图像中行人大小尺度差异巨大等问题所导致产生的误识问题,仍然是研究工作所需要解决的重点问题。本文通过提出一个基于残差估计的新方法,来降低已有的人群计数方法的误识率,提高其人群计数性能表现,并进一步将残差估计应用到基于密度图估计的人群计数方法中,以提高生成的估计密度图质量,为实际应用场景提供更高的实际应用价值。本文的主要工作包括:1)简述了人群计数研究工作的研究背景与研究意义,总结和分析了研究现状,分别介绍了基于检测、基于回归以及基于密度图估计的相关人群计数方法,简要阐述了本文的研究内容;2)介绍了相关方法的理论知识与技术,包括卷积神经网络（Convolutional Neural Network,CNN）和监督学习（Supervised Learning）;3)设计了一种基于计数残差估计的方法,用于对已有的人群计数方法进行优化,提高其在人群计数估计精度上的表现。在几个人群计数数据集上通过实验分析验证了所提出方法的有效性,证明了计数残差估计方法对已有方法在人群计数估计准确度上的提升效果;4)将残差估计进一步应用到基于密度图估计的人群计数方法研究工作中,提出了残差密度图这一新的概念,并设计了基于残差密度图估计的网络,与已有的基于密度图估计的人群计数方法相结合,以提升已有的方法所生成的密度图的质量,并通过在人群计数数据集上进行实验,验证了该方法对已有方法在人群计数估计准确度以及生成的估计密度图这两方面均有提升效果。